一种停车位的检测方法、装置、设备及存储介质与流程

1.本技术实施例涉及智慧交通技术领域，尤其涉及一种停车位的检测方法、装置、设备及存储介质。


背景技术：

2.随着城市化的加剧和人民生活水平的提高，大城市中的汽车越来越多，大部分城区人流量大，高峰时段寻找停车位非常困难，且乱停乱放现象屡禁不止，严重影响了人们的出行与生活体验，停车难的问题也越来越突出。车辆使用者们迫切需要准确得知停车场中空闲停车位的状态信息以提高停车效率。
3.而目前空闲停车位的检测方法通常是先基于深度学习来对停车位的入口点进行检测，然后再结合人工先验知识进行停车位的深度估计，进而生成停车位的位置信息。
4.但是，停车位的深度估计不仅需要依赖于入口点的正确预测，如果预测的入口点未能很好的贴合实际图像中的入口点，则容易导致检测到的停车位的位置也会产生较大的角度偏差，且还依赖于人工先验知识，人为设定的规则无法覆盖各种停车位情形，容易增加停车位的检测误差，导致检测到停车位的准确性不高，从而导致停车效率降低。


技术实现要素：

5.本技术实施例提供了一种停车位的检测方法、装置、设备及存储介质，用于通过锚点框的置信度得分筛选m个目标锚点框，并计算m个目标锚点框中的m个关键点坐标来在待检测图像上真实描绘出停车位的位置，能够避免入口点的预测结果的预测误差以及人为先验知识的影响，能够更好地贴合真实的停车位情形，从而提高停车效率降低。
6.本技术实施例一方面提供了一种停车位的检测方法，包括：
7.获取待检测图像对应的目标特征图，其中，目标特征图包括n个锚点框，n为大于1的整数；
8.计算每个锚点框的置信度得分，其中，置信度得分用于指示锚点框中包含有目标对象的概率值；
9.根据置信度得分从n个锚点框中确定m个目标锚点框，其中，m为大于1小于n的整数；
10.对m个目标锚点框中的每个目标锚点框分别进行关键点计算，得到m个关键点坐标；
11.根据m个关键点坐标确定待检测图像中停车位的位置，并向目标终端设备推送待检测图像中停车位的位置。
12.本技术另一方面提供了一种停车位的检测装置，包括：
13.获取单元，用于获取待检测图像对应的目标特征图，其中，目标特征图包括n个锚点框，n为大于1的整数；
14.处理单元，用于计算每个锚点框的置信度得分，其中，置信度得分用于指示锚点框
中包含有目标对象的概率值；
15.确定单元，用于根据置信度得分从n个锚点框中确定m个目标锚点框，其中，m为大于1小于n的整数；
16.处理单元，还用于对m个目标锚点框中的每个目标锚点框分别进行关键点计算，得到m个关键点坐标；
17.确定单元，还用于根据m个关键点坐标确定待检测图像中停车位的位置。
18.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，获取单元具体可以用于：
19.将待检测图像输入至图像检测模型，通过图像检测模型对待检测图像进行特征提取，得到第一特征图和第二特征图，其中，第一特征图包括n个第一锚点框，第二特征图包括n个第二锚点框，第一特征图的尺寸小于第二特征图，第一锚点框的尺寸小于第二锚点框；
20.处理单元具体可以用于：计算每个第一锚点框的第一置信度得分，并计算每个第二锚点框的第二置信度得分；
21.确定单元具体可以用于：根据置信度得分从n个第一锚点框中确定m个第一目标锚点框，以及从n个第二锚点框中确定m个第二目标锚点框。
22.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，确定单元具体可以用于：
23.将第一置信度得分大于第一置信阈值的第一锚点框确定为第一目标锚点框；
24.将第二置信度得分大于第二置信阈值的第二锚点框确定为第二目标锚点框。
25.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，处理单元具体可以用于：
26.对m个第一目标锚点框中的每个第一目标锚点框分别进行关键点计算，得到m个第一关键点坐标；
27.对m个第二目标锚点框中的每个第二目标锚点框分别进行关键点计算，得到m个第二关键点坐标。
28.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，确定单元具体可以用于：
29.根据m个第一关键点坐标生成第一包围盒，并根据m个第二关键点坐标生成第二包围盒；
30.计算第一包围盒与第一检测框之间的第一重叠度，并计算第二包围盒与第二检测框之间的第二重叠度；
31.根据第一重叠度和第二重叠度，从第一包围盒与第二包围盒中确定目标包围盒；
32.根据目标包围盒在待检测图像中生成停车位的位置。
33.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，
34.处理单元，还用于分别计算m个目标锚点框中的每个目标锚点框的附属点置信度得分；
35.确定单元，还用于根据附属点置信度得分从m个目标锚点框中确定附属锚点框；
36.处理单元，还用于对附属锚点框进行附属点计算，得到目标附属点坐标；
37.确定单元具体可以用于：根据m个关键点坐标以及目标附属点坐标确定待检测图
像中停车位的位置。
38.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，
39.处理单元，还用于分别计算m个目标锚点框中的每个目标锚点框的被占用置信度得分；
40.获取单元，还用于根据被占用置信度得分，若从m个目标锚点框中确定k个占用锚点框，则获取k个占用锚点框的坐标，其中，k为大于等于1小于m的整数；
41.确定单元具体可以用于：根据m个关键点坐标以及k个占用锚点框的坐标确定待检测图像中被占用停车位的位置。
42.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，
43.获取单元，还用于获取样本图像对应的样本特征图，其中，样本特征图包括n个锚点框，样本图像对应有标注信息，标注信息包括样本对象的m个样本关键点坐标；
44.确定单元，还用于根据m个样本关键点坐标从n个锚点框中确定样本锚点框；
45.获取单元，还用于获取样本锚点框的置信度得分和真值标签，并根据样本锚点框的置信度得分和真值标签，构造第一损失函数；
46.处理单元，还用于分别计算m个样本关键点坐标中的每个样本关键点坐标与样本锚点框的中心点坐标之间的偏移量，得到m个样本偏移量；
47.处理单元，还用于根据m个样本偏移量以及m个样本关键点坐标构造第二损失函数；
48.处理单元，还用于根据第一损失函数和第二损失函数对图像检测模型的模型参数进行更新。
49.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，获取单元具体可以用于：
50.将样本图像输入至图像检测模型，通过图像检测模型对样本图像进行特征提取，得到第一样本特征图和第二样本特征图，其中，第一样本特征图包括n个第一锚点框，第二样本特征图包括n个第二锚点框；
51.确定单元具体可以用于：根据m个样本关键点坐标从n个第一锚点框中确定第一样本锚点框，以及从n个第二锚点框中确定第二样本锚点框。
52.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，
53.处理单元，还用于计算第一样本锚点框与第一样本检测框之间的第一样本重叠度，并计算第二样本锚点框与第二样本检测框之间的第二样本重叠度；
54.确定单元，还用于根据第一样本重叠度和第二样本重叠度，从第一样本锚点框与第二样本锚点框中确定目标样本锚点框；
55.获取单元具体可以用于：获取目标样本锚点框的置信度得分和真值标签，并根据目标样本锚点框的置信度得分和真值标签，构造第一损失函数。
56.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，
57.获取单元，还用于获取样本锚点框的样本附属点置信度得分和附属点真值标签；
58.处理单元，还用于根据样本锚点框的样本附属点置信度得分和附属点真值标签构造第三损失函数；
59.处理单元具体可以用于：根据第一损失函数、第二损失函数以及第三损失函数对
图像检测模型的模型参数进行更新。
60.在一种可能的设计中，本技术实施例另一方面的一种实现方式中，
61.获取单元，还用于根据第三样本检测框在样本特征图中的位置，获取样本锚点框的被占用置信度得分和被占用真值标签；
62.处理单元，还用于根据样本锚点框的被占用置信度得分和被占用真值标签构造第四损失函数；
63.处理单元具体可以用于：根据第一损失函数、第二损失函数以及第四损失函数对图像检测模型的模型参数进行更新。
64.本技术另一方面提供了一种计算机设备，包括：存储器、收发器、处理器以及总线系统；
65.其中，存储器用于存储程序；
66.处理器用于执行存储器中的程序时实现如上述各方面的方法；
67.总线系统用于连接存储器以及处理器，以使存储器以及处理器进行通信。
68.本技术的另一方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。
69.从以上技术方案可以看出，本技术实施例具有以下优点：
70.通过获取待检测图像对应的包括有n个锚点框的目标特征图，可以计算每个锚点框的能够用于指示锚点框中包含有目标对象的概率值的置信度得分，进而可以根据置信度得分从n个锚点框中确定m个目标锚点框，并对m个目标锚点框中的每个目标锚点框分别进行关键点计算，以获取m个关键点坐标，然后，可以根据m个关键点坐标确定待检测图像中停车位的位置，并向目标终端设备推送待检测图像中停车位的位置。通过上述方式，能够通过获取待检测图像对应的目标特征图中能够用于表征包含有目标对象的概率值的每个锚点框的置信度得分，从n个锚点框中筛选出包含有目标对象特征的m个目标锚点框，然后，可以计算出m个目标锚点框中的m个关键点坐标，并能够通过m个关键点坐标直接在待检测图像上描绘出停车位的位置，无需基于停车位的入口点的预测结果结合人为先验知识假定的预测信息推测停车位的深度以获取停车位的位置，能够避免入口点的预测结果的预测误差以及人为先验知识的影响，可以直接在实际图像上确定m个目标锚点框来直接计算关键点坐标，能够更好地贴合真实的停车位情形，从而提高停车效率降低。
附图说明
71.图1本技术实施例中图像数据控制系统的一个架构示意图
72.图2是本技术实施例中停车位的检测方法的一个实施例流程图；
73.图3是本技术实施例中停车位的检测方法的另一个实施例流程图；
74.图4是本技术实施例中停车位的检测方法的另一个实施例流程图；
75.图5是本技术实施例中停车位的检测方法的另一个实施例流程图；
76.图6是本技术实施例中停车位的检测方法的另一个实施例流程图；
77.图7是本技术实施例中停车位的检测方法的另一个实施例流程图；
78.图8是本技术实施例中停车位的检测方法的另一个实施例流程图；
79.图9是本技术实施例中停车位的检测方法的另一个实施例流程图；
80.图10是本技术实施例中停车位的检测方法的另一个实施例流程图；
81.图11是本技术实施例中停车位的检测方法的另一个实施例流程图；
82.图12是本技术实施例中停车位的检测方法的另一个实施例流程图；
83.图13是本技术实施例中停车位的检测方法的一个原理流程示意图；
84.图14是本技术实施例中停车位的检测方法的一个锚点框示意图；
85.图15(a)是本技术实施例中停车位的检测方法的一个标注关键点示意图；
86.图15(b)是本技术实施例中停车位的检测方法的另一个标注关键点示意图；
87.图16(a)是本技术实施例中停车位的检测方法的一个停车位检测效果示意图；
88.图16(b)是本技术实施例中停车位的检测方法的另一个停车位检测效果示意图；
89.图17(a)是本技术实施例中停车位的检测方法的一个室内停车位检测效果示意图；
90.图17(b)是本技术实施例中停车位的检测方法的另一个室内停车位检测效果示意图；
91.图17(c)是本技术实施例中停车位的检测方法的另一个室内停车位检测效果示意图；
92.图18(a)是本技术实施例中停车位的检测方法的一个室外停车位检测效果示意图；
93.图18(b)是本技术实施例中停车位的检测方法的另一个室外停车位检测效果示意图；
94.图18(c)是本技术实施例中停车位的检测方法的另一个室外停车位检测效果示意图；
95.图19是本技术实施例中停车位的检测装置的一个实施例示意图；
96.图20是本技术实施例中计算机设备的一个实施例示意图。
具体实施方式
97.本技术实施例提供了一种停车位的检测方法、装置、设备及存储介质，用于通过锚点框的置信度得分筛选m个目标锚点框，并计算m个目标锚点框中的m个关键点坐标来在待检测图像上真实描绘出停车位的位置，能够避免入口点的预测结果的预测误差以及人为先验知识的影响，能够更好地贴合真实的停车位情形，从而提高停车效率降低。
98.本技术的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
99.而随着信息的飞速发展，云技术(cloud technology)也逐渐走入人们生活的方方面面。云技术是基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技
术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。
100.其中，云安全(cloud security)是指基于云计算商业模式应用的安全软件、硬件、用户、机构、安全云平台的总称。云安全融合了并行处理、网格计算、未知病毒行为判断等新兴技术和概念，通过网状的大量客户端对网络中软件行为的异常监测，获取互联网中木马、恶意程序的最新信息，并发送到服务端进行自动分析和处理，再把病毒和木马的解决方案分发到每一个客户端。本技术实施例提供的停车位的检测方法就可以通过云计算技术以及云安全技术来实现。
101.应理解，本技术提供的停车位的检测方法可以应用于云技术、人工智能、智慧交通等领域，用于通过检测停车位的位置完成车辆泊车任务或停车场管理等场景。作为示例，例如通过检测停车位的位置，帮助用户更好更快速地寻找到空闲的停车位，以帮助智能车辆完成自动泊车任务。作为另一个示例，例如通过检测停车位的位置，帮助停车场管理人员对停车位进行维护和管理。作为再一示例，例如通过检测停车位的位置来获取空闲停车位位置和数量，能够推送至停车场的显示设备，以提示用户停车场内停车位情况。在上述种种场景中，为了完成停车位的位置的检测，通常是基于深度学习预测停车位的入口点并结合人工先验知识进行停车位的深度估计来生成停车位的位置信息，但是容易受到入口点的预测结果的预测误差以及人为先验知识的影响导致检测停车位的准确性不高，从而导致停车效率降低。
102.为了解决上述问题，本技术提出了一种停车位的检测方法，该方法应用于图1所示的图像数据控制系统，请参阅图1，图1为本技术实施例中图像数据控制系统的一个架构示意图，如图1所示，服务器通过获取终端设备提供的待检测图像对应的包括有n个锚点框的目标特征图，可以计算每个锚点框的能够用于指示锚点框中包含有目标对象的概率值的置信度得分，进而可以根据置信度得分从n个锚点框中确定m个目标锚点框，并对m个目标锚点框中的每个目标锚点框分别进行关键点计算，以获取m个关键点坐标，然后，可以根据m个关键点坐标确定待检测图像中停车位的位置，并向目标终端设备推送待检测图像中停车位的位置。通过上述方式，能够通过获取待检测图像对应的目标特征图中能够用于表征包含有目标对象的概率值的每个锚点框的置信度得分，从n个锚点框中筛选出包含有目标对象特征的m个目标锚点框，然后，可以计算出m个目标锚点框中的m个关键点坐标，并能够通过m个关键点坐标直接在待检测图像上描绘出停车位的位置，无需基于停车位的入口点的预测结果结合人为先验知识假定的预测信息推测停车位的深度以获取停车位的位置，能够避免入口点的预测结果的预测误差以及人为先验知识的影响，可以直接在实际图像上确定m个目标锚点框来直接计算关键点坐标，能够更好地贴合真实的停车位情形，从而提高停车效率降低。
103.可以理解的是，图1中仅示出了一种终端设备，在实际场景中可以由更多种类的终端设备参与到数据处理的过程中，终端设备包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等，具体数量和种类因实际场景而定，具体此处不做限定。另外，图1中示出了一个服务器，但在实际场景中，也可以有多个服务器的参与，特别是在多模型训练交
互的场景中，服务器的数量因实际场景而定，具体此处不做限定。
104.需要注意的是，本实施例中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content deliverynetwork，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，终端设备以及服务器可以连接组成区块链网络，本技术在此不做限制。
105.为了解决上述问题，本技术提出了一种停车位的检测方法，该方法一般由服务器或终端设备执行，相应地，应用于停车位的检测装置一般设置于服务器或终端设备中。
106.下面将对本技术中停车位的检测方法进行介绍，请参阅图2，本技术实施例中停车位的检测方法一个实施例包括：
107.在步骤s101中，获取待检测图像对应的目标特征图，其中，目标特征图包括n个锚点框，n为大于1的整数；
108.在本实施例中，当通过摄像头采集到待检测图像时，可以对待检测图像进行特征提取以获取包括有n个锚点框的目标特征图。
109.其中，待检测图像具体可以表现为通过车辆的车端前视摄像头或环视鱼眼摄像头，或者是通过停车场的摄像头或者道路摄像头等采集到的各种停车位场景的一帧图像，待检测图像中可以包含有一个或多个停车位。锚点框指的是能够对待检测图像进行目标对象检测的网格，锚点框是一种能够进行预测的像素框，通常都是方形的，可以理解的是，为了检测出不同类型的目标对象，可以通过在同一位置下设置多个不同形状(不同大小，不同长宽比)的网格，可以理解为，可以在目标特征图中的同一个位置，可以设置几种不同尺度的锚点框来预测各种状态下的同一个位置上的目标对象。
110.具体地，如图13所示，在通过车辆的车端前视摄像头或环视鱼眼摄像头采集到待检测图像时，如果车辆上安装有相关的检测终端设备，如可视化停车位检测车机系统等，此处不作具体限制，可以将采集到的待检测图像发送至检测终端设备中，可以通过检测终端设备对获取到的待检测图像进行特征提取以获取相对应的特征图，并按照预设尺寸的锚点框对特征图进行划分，可以得到包括有n个锚点框的目标特征图；或者，在通过车辆的车端前视摄像头或环视鱼眼摄像头采集到待检测图像时，如果车辆上没有安装有相关的检测终端设备时，可以将采集到的待检测图像发送至云端服务器中，可以通过云端服务器对获取到的待检测图像进行特征提取以获取相对应的特征图，并按照预设尺寸的锚点框对特征图进行划分，可以得到包括有n个锚点框的目标特征图，还可以通过其他方式获取目标特征图，此处不作具体限制。
111.例如，如图14所示，假设一个待检测图像经过特征提取后可以得到一个3
×
5(高宽)的特征图，则可以通过3
×
5个锚点框将特征图进行3
×
5的划分(如图14中的黑线构成的网格)，可以得到包括15个锚点框的目标特征图。
112.在步骤s102中，计算每个锚点框的置信度得分，其中，置信度得分用于指示锚点框中包含有目标对象的概率值；
113.在本实施例中，在获取到包括有n个锚点框的目标特征图后，可以对每个锚点框进行置信度计算，以获取到每个锚点框的置信度得分。
114.其中，置信度得分具体可以表现为一个0～100的数字，也可以表现为一个0～1数字，具体可以根据实际应用需求进行设置，置信度得分可以用于指示给定标签预测正确的概率，分数越大表示图像包含该标签的概率越高，例如，某张图片上多种标签对应的置信度得分分别为沙滩83，箱包17，海洋12，家居物品12，其他11，那么该张图片非常可能含有沙滩，含有箱包、海洋、家居物品的可能性相对较小。
115.具体地，在获取到包括有n个锚点框的目标特征图后，可以通过常规置信度算法如抽样置信度算法对每个锚点框进行置信度计算，以获取到每个锚点框的置信度得分，可以理解的是，每个锚点框的置信度得分越高，即该锚点框中含有目标对象的概率越大，其中，目标对象具体可以表现停车位，如临时停车位或固定停车位等，此处不作具体限制。
116.例如，如图14所示，假设一个15个锚点框的目标特征图，以目标特征图的左上角为原点坐标(0,0)，假设可以索引得到(1,2)的锚点框的置信度得分为0.79，(2,2)的锚点框的置信度得分为0.91，(3,2)的锚点框的置信度得分为0.86以及(4,2)的锚点框的置信度得分为0.66。
117.在步骤s103中，根据置信度得分从n个锚点框中确定m个目标锚点框，其中，m为大于1小于n的整数；
118.在本实施例中，在获取到每个锚点框的置信度得分后，由于每个锚点框的置信度得分越高，即该锚点框中含有目标对象的概率越大，则可以根据获取到的置信度得分的大小从n个锚点框中选取出m个包含有目标对象特征的目标锚点框，以使后续可以根据获取到m个包含有目标对象特征的目标锚点框在准确推测目标对象的位置信息。
119.具体地，在获取到每个锚点框的置信度得分后，根据置信度得分从n个锚点框中确定m个目标锚点框具体可以是通过将获取到的置信度得分按照从大到小的顺序进行排序，可以按照中位数选取出前n/2个或前(n+1)/2个置信度得分，然后，将前n/2个或前(n+1)/2个置信度得分中选取出置信度得分大于置信阈值如0.5的置信度得分，并将这些置信度得分对应的锚点框作为m个的目标锚点框；或者，可以是通过将每个锚点框的置信度得分分别与置信阈值如0.5进行比较，将大于置信阈值的置信度得分对应的锚点框作为m个的目标锚点框，还可以采用其他选取方法，此处不作具体限制。
120.例如，如图14所示，假设一个15个锚点框的目标特征图，以目标特征图的左上角为原点坐标(0,0)，假设可以索引得到(0,2)的锚点框的置信度得分为0.31，(1,2)的锚点框的置信度得分为0.79，(2,2)的锚点框的置信度得分为0.91，(3,2)的锚点框的置信度得分为0.86以及(4,2)的锚点框的置信度得分为0.66，假设置信阈值为0.6，分别将索引到的这些锚点框的置信度得分与置信阈值0.6进行比较，可以得到置信度得分大于置信阈值0.6的4个目标锚点框，如图14所示的(1,2)的锚点框、(2,2)的锚点框、(3,2)的锚点框以及(4,2)的锚点框。
121.在步骤s104中，对m个目标锚点框中的每个目标锚点框分别进行关键点计算，得到m个关键点坐标；
122.在本实施例中，由于一般的没有被遮挡的停车位，如图15(a)所示，是可以通过停车位两个入口点(如图15(a)中的入口_0和入口_1)和两个侧边线点(如图15(a)中的尾点_0和尾点_1)即可描述一个目标对象(停车位)的位置和大小，因此，在获取到可能包含有目标对象的特征的m个目标锚点框后，本实施例可以对m个目标锚点框中的每个目标锚点框分别
进行关键点计算以获取到m个关键点坐标。
123.具体地，在获取到可能包含有目标对象的特征的m个目标锚点框后，可以根据m个目标锚点框中的每个目标锚点框在目标特征图上的像素位置，可以计算每个目标锚点框的中心点的坐标，并可以根据每个目标锚点框的中可能包含的关键点与每个目标锚点框的中心点的坐标之间的偏移量来预估每个关键点的关键点坐标，以获取m个关键点坐标，可以理解的是，一个目标锚点框中可以包含有之多两个关键点，即目标锚点框的个数可以大于或等于关键点的个数。
124.在步骤s105中，根据m个关键点坐标确定待检测图像中停车位的位置。
125.在本实施例中，在获取到m个关键点坐标后，可以根据获取到的m个关键点坐标在待检测图像获取到对应m个关键点关键点，并可以通过m个关键点在待检测图像上描绘出目标对象(停车位)所在的位置，即可以获取待检测图像中停车位的位置。
126.具体地，在获取到m个关键点坐标后，根据m个关键点坐标确定待检测图像中停车位的位置具体可以是通过m个关键点坐标在待检测图像找到对应m个关键点，然后，可以通过连边将m个关键点连接为一个多边形并在待检测图像上描绘该多边形，以作为待检测图像中停车位的位置，其中，多边形具体可以表现为四边形或五边形等，还可以是根据m个关键点坐标采用绘图工具在待检测图像上渲染出m个关键点所围成的区域，以作为待检测图像中停车位的位置，还可以采用其他方式确定待检测图像中停车位的位置，此处不作具体限制。
127.可以理解的是，在获取到的待检测图像中停车位的位置之后，还可以对获取到的待检测图像中停车位的位置进行色彩渲染或可视化处理以丰富视觉效果，进一步地，可以将获取到待检测图像中停车位的位置推送至安装有相关的检测终端设备的车辆或停车场的显示设备等，可以帮助用户更好更快速地寻找到空闲的停车位，并帮助智能车辆完成自动泊车任务，或是帮助停车场管理人员对停车位进行维护和管理等。
128.在本技术实施例中，提供了一种停车位的检测方法，通过上述方式，能够通过获取待检测图像对应的目标特征图中能够用于表征包含有目标对象的概率值的每个锚点框的置信度得分，从n个锚点框中筛选出包含有目标对象特征的m个目标锚点框，然后，可以计算出m个目标锚点框中的m个关键点坐标，并能够通过m个关键点坐标直接在待检测图像上描绘出停车位的位置，无需基于停车位的入口点的预测结果结合人为先验知识假定的预测信息推测停车位的深度以获取停车位的位置，能够避免入口点的预测结果的预测误差以及人为先验知识的影响，可以直接在实际图像上确定m个目标锚点框来直接计算关键点坐标，能够更好地贴合真实的停车位情形，从而提高停车效率降低。
129.可选地，在上述图2对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图3所示，目标特征图包括第一特征图和第二特征图，锚点框包括第一锚点框和第二锚点框，目标锚点框包括第一目标锚点框和第二目标锚点框；获取待检测图像对应的目标特征图，包括：
130.在步骤s201中，将待检测图像输入至图像检测模型，通过图像检测模型对待检测图像进行特征提取，得到第一特征图和第二特征图，其中，第一特征图包括n个第一锚点框，第二特征图包括n个第二锚点框，第一特征图的尺寸小于第二特征图，第一锚点框的尺寸小于第二锚点框；
131.在步骤s202中，计算每个第一锚点框的第一置信度得分，并计算每个第二锚点框的第二置信度得分；
132.在步骤s203中，根据置信度得分从n个第一锚点框中确定m个第一目标锚点框，以及从n个第二锚点框中确定m个第二目标锚点框。
133.在本实施例中，当通过摄像头采集到待检测图像时，将待检测图像输入至图像检测模型，通过图像检测模型对待检测图像进行特征提取，以获取到包括有n个第一锚点框的第一特征图和包括右n个第二锚点框的第二特征图，进而可以对每个第一锚点框计算第一置信度得分以及对每个第二锚点框计算第二置信度得分，然后，可以根据计算得到的第一置信度得分从n个第一锚点框中确定m个第一目标锚点框，以及根据计算得到的第二置信度得分从n个第二锚点框中确定m个第二目标锚点框，能够通过不同尺寸的第一特征图和第二特征图，以及不同尺寸的第一锚点框和第二锚点框对待检测图像的同一位置下对同一个目标对象(同一个停车位)在各种状态下(多个停车位密集或稀疏的状态)的预测，可以得到同一个目标对象(同一个停车位)的一个或多个预测值，以使后续可以根据一个或多个预测值进行进一步地的处理以获取唯一停车位的预测值，从而可以在一定程度上提高检测停车位的准确性。
134.其中，图像检测模型具体可以表现为深度可分离卷积网络，或者是基于特征金字塔结构的深度可分离卷积网络，或者是卷积神经网络，还可以是其他图像检测模型，此处不作具体限制。
135.具体地，如图13所示，当通过摄像头采集到待检测图像时，将待检测图像输入至图像检测模型，通过图像检测模型对待检测图像进行特征提取，以获取到包括有n个第一锚点框的第一特征图和包括右n个第二锚点框的第二特征图，其中，第一特征图的尺寸小于第二特征图，第一锚点框的尺寸小于第二锚点框。例如，通过图像检测模型对待检测图像进行特征提取，假设可以得到一个9
×
16(大小相对于网络输入)的第一特征图，可以设置宽高为575和111(大小相对于1280
×
720)的n个第一锚点框对第一特征图进行目标对象预测，同理，假设可以得到一个18
×
32的第二特征图，可以设置宽高为217和42的n个第一锚点框对第一特征图进行目标对象预测，以使后续可以通过密集的第二特征图和n个第二锚点框负责预测小停车位，通过较稀疏的第一特征图和n个第一锚点框负责预测大停车位。
136.进一步地，在获取到包括有n个第一锚点框的第一特征图和包括右n个第二锚点框的第二特征图，由于不同尺寸的第一锚点框和第二锚点框包含的目标对象特征不同，因此，可以通过常规置信度算法对每个第一锚点框进行置信度计算，以获取到每个第一锚点框的第一置信度得分，同理，可以对每个第二锚点框进行置信度计算，以获取到每个第二锚点框的第二置信度得分。
137.进一步地，在获取到n个第一置信度得分和n个第二置信度得分之后，由于每个锚点框的置信度得分越高，即该锚点框中含有目标对象的概率越大，则可以根据计算得到的第一置信度得分从n个第一锚点框中确定m个第一目标锚点框，以及根据计算得到的第二置信度得分从n个第二锚点框中确定m个第二目标锚点框，其中，确定m个第一目标锚点框以及确定m个第二目标锚点框可以采用与在步骤s103根据置信度得分从n个锚点框中确定m个目标锚点框的方式相似，此处不再赘述。
138.可选地，在上述图3对应的实施例的基础上，本技术实施例提供的停车位的检测方
法另一个可选实施例中，如图4所示，根据置信度得分从n个锚点框中确定m个目标锚点框，包括：
139.在步骤s301中，将第一置信度得分大于第一置信阈值的第一锚点框确定为第一目标锚点框；
140.在步骤s302中，将第二置信度得分大于第二置信阈值的第二锚点框确定为第二目标锚点框。
141.在本实施例中，在获取到每个第一锚点框的第一置信度得分和每个第二锚点框的第二置信度得分之后，可以分别将每个第一置信度得分与第一置信阈值进行比较，以获取第一置信度得分大于第一置信阈值的第一目标锚点框，同理，可以分别将每个第二置信度得分与第二置信阈值进行比较，以获取第二置信度得分大于第二置信阈值的第二目标锚点框，能够通过不同尺寸的第一特征图和第二特征图，以及不同尺寸的第一锚点框和第二锚点框对待检测图像的同一位置下对同一个目标对象(同一个停车位)在各种状态下(多个停车位密集或稀疏的状态)的预测，可以得到同一个目标对象(同一个停车位)的一个或多个预测值，以使后续可以根据一个或多个预测值进行进一步地的处理以获取唯一停车位的预测值，从而可以在一定程度上提高检测停车位的准确性。
142.具体地，在获取到n个第一锚点框的n个第一置信度得分后，可以获取预设的第一置信阈值，其中，第一置信阈值是根据实际应用需求进行设置的，通常取值为0.5，此处不作具体限制，然后，可以将分别将每个第一置信度得分与第一置信阈值进行比较，可以从n个第一锚点框中筛选出m个第一置信度得分大于第一置信阈值的第一目标锚点框，同理，在获取到n个第二锚点框的n个第二置信度得分后，可以获取预设的第二置信阈值，其中，第二置信阈值也是根据实际应用需求进行设置的，通常也可以取值为0.5，此处不作具体限制，然后，可以将分别将每个第二置信度得分与第二置信阈值进行比较，从而可以从n个第二锚点框中筛选出m个第二置信度得分大于第二置信阈值的第二目标锚点框，以使后续可以根据获取到m个第一目标锚点框和m个第二目标锚点框来预测待检测图像中的停车位的位置。
143.可选地，在上述图3对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图4所示，关键点坐标包括第一关键点坐标和第二关键点坐标；对m个目标锚点框中的每个目标锚点框分别进行关键点计算，得到m个关键点坐标，包括：
144.在步骤s401中，对m个第一目标锚点框中的每个第一目标锚点框分别进行关键点计算，得到m个第一关键点坐标；
145.在步骤s402中，对m个第二目标锚点框中的每个第二目标锚点框分别进行关键点计算，得到m个第二关键点坐标。
146.在本实施例中，在通过不同尺寸的第一特征图和第二特征图，以及不同尺寸的第一锚点框和第二锚点框对目标对象的关键点进行预测时，由于不同尺寸的第一锚点框和第二锚点框在不同尺寸的第一特征图和第二特征图的像素位置是不同，目标对象在不同尺寸的第一特征图和第二特征图中的像素位置也是不同的，因此，为了能够更好地描述同一个目标对象(停车位)在待检测图像中的位置和大小，在获取到m个第一目标锚点框和m个第二目标锚点框之后，本实施例可以分别对m个第一目标锚点框中的每个第一目标锚点框进行关键点计算以获取到m个第一关键点坐标，同理，可以分别对m个第二目标锚点框中的每个第二目标锚点框进行关键点计算以获取到m个第二关键点坐标，以使后续可以根据获取到
的m个第一关键点坐标和m个第二关键点坐标进行进一步处理以获取唯一的m个关键点坐标，从而可以获取到一个目标对象(停车位)在待检测图像上的唯一位置，从而可以在一定程度上提高检测停车位的准确性。
147.具体地，在获取到m个第一目标锚点框和m个第二目标锚点框之后，可以根据m个第一目标锚点框中的每个第一目标锚点框在第一特征图上的像素位置，可以计算每个第一目标锚点框的中心点的坐标，并可以根据每个第一目标锚点框的中可能包含的关键点与每个第一目标锚点框的中心点的坐标之间的偏移量来预估每个关键点的第一关键点坐标，以获取m个第一关键点坐标，同理，可以根据在步骤s401对m个第一目标锚点框中的每个第一目标锚点框分别进行关键点计算，得到m个第一关键点坐标的方式获取m个第二关键点坐标，此处不再赘述，以使后续可以获取到m个第一关键点坐标和m个第二关键点坐标来进一步确定待检测图像中的停车位的位置。
148.可选地，在上述图4对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图5所示，第一特征图还包括第一检测框，第二特征图还包括第二检测框，第一检测框以及第二检测框均用于指示目标对象；根据m个关键点坐标确定待检测图像中停车位的位置，包括：
149.在步骤s501中，根据m个第一关键点坐标生成第一包围盒，并根据m个第二关键点坐标生成第二包围盒；
150.在步骤s502中，计算第一包围盒与第一检测框之间的第一重叠度，并计算第二包围盒与第二检测框之间的第二重叠度；
151.在步骤s503中，根据第一重叠度和第二重叠度，从第一包围盒与第二包围盒中确定目标包围盒；
152.在步骤s504中，根据目标包围盒在待检测图像中生成停车位的位置。
153.在本实施例中，在通过不同尺寸的第一特征图和第二特征图，以及不同尺寸的第一锚点框和第二锚点框对目标对象的关键点进行预测时，由于不同尺寸的第一锚点框和第二锚点框在不同尺寸的第一特征图和第二特征图的密集度的影响，导致拟合到的m个第一关键点坐标和m个第二关键点坐标不一致，使得基于m个第一关键点坐标和m个第二关键点坐标在待检测图像中进行描绘，可以得到有交集重叠在一起的两个停车位(如图16(a)箭头指示的停车位)的位置，即一个目标对象(停车位)对应有两个预测值，因此，为了避免一个目标对象(停车位)对应有多个预测值的情况，在获取到m个第一关键点坐标和m个第二关键点坐标之后，可以根据m个第一关键点坐标生成第一包围盒以及根据m个第二关键点坐标生成第二包围盒，然后，可以通过计算第一包围盒与包含有目标对象的第一检测框之间的第一重叠度，以及通过计算第二包围盒与包含有目标对象的第二检测框之间的第二重叠度，能够通过第一重叠度和第二重叠度来从m个第一关键点坐标和m个第二关键点坐标筛选出更准确的关键点坐标，从而可以获取到唯一的停车位的位置，能够在一定程度上提高检测停车位的准确性。
154.其中，第一包围盒具体可以表现为m个第一关键点坐标在第一特征图上对应的m个第一关键点围成的框，第一包围盒用于指示m个第一关键点坐标在第一特征图上所选中的区域。第二包围盒具体可以表现为m个第二关键点坐标在第二特征图上对应的m个第二关键点围成的框，第二包围盒用于指示m个第二关键点坐标在第二特征图上所选中的区域。第一
检测框是第一特征图上目标对象的外接框，第一检测框具体可以表现为边缘框或最大外接矩形框。第二检测框是第二特征图上目标对象的外接框。
155.具体地，在获取到m个第一关键点坐标和m个第二关键点坐标之后，可以根据m个第一关键点坐标在第一特征图上对应的m个第一关键点，并通过m个第一关键点围成第一包围盒，同理，可以根据m个第二关键点坐标在第二特征图上对应的m个第二关键点，并通过m个第二关键点围成第二包围盒。
156.进一步地，在获取到第一包围盒以及第二包围盒之前，可以先通过图像分割算法获取第一特征图像上包含有目标对象的第一检测框，以及获取第二特征图像上包含有目标对象的第二检测框，进而，在获取到第一包围盒以及第二包围盒之后，可以计算第一包围盒与包含有目标对象的第一检测框之间的第一重叠度，其中，计算第一重叠度具体可以是通过计算第一包围盒与第一检测框之间的交并比(intersection over union，iou),即计算的是第一包围盒和第一检测框之间的交集和并集的比值，还可以采用其他算法计算第一重叠度，如面积计算公式等，此处不作具体限制，同理，计算第二包围盒与包含有目标对象的第二检测框之间的第二重叠度，也可以采用与计算第一重叠度相似的方式来计算第二重叠度，此处不再赘述。
157.进一步地，在获取到第一重叠度和第二重叠度之后，由于重叠度越高表示相似度越高，因此，可以将第一重叠度和第二重叠度进行比较，并将重叠度较大的包围盒作为目标包围盒，然后，可以根据目标包围盒在待检测图像上描绘出目标对象对应的唯一的停车位的位置，能够在一定程度上提高检测停车位的准确性。
158.可以理解的是，在获取到m个第一关键点坐标和m个第二关键点坐标之后，为了避免如图16(a)所示意的获取到m个第一关键点坐标和m个第二关键点坐标不一致导致一个目标对象(停车位)对应多个预测值的情况，则可以将多余的预测值抑制掉，以保证一个目标对象(停车位)与一个预测值对应，具体可以是先通过对m个第一关键点坐标和m个第二关键点坐标分别在待检测图像上生成对应的边界框，具体可以表现为待检测图像上的第一边界框和第二边界框，然后，采集多边形非极大值抑制算法从第一边界框和第二边界框中找到最佳的目标边界框，并消除冗余的边界框，得到如图16(b)所示意的一个目标对象(停车位)对应一个预测值情况。可以理解的是，多边形非极大值抑制算法与常规目标检测中的非极大值抑制(non-max suppression，nms)算法类似，其中，常规目标检测中的nms算法是基于矩形框计算，本实施例多边形非极大值抑制算法采用的为任意4点或5点构成的闭合多边形。
159.可以理解的是，经测试，如图17(a)至图17(c)所示意的室内的停车位场景的检测效果以及如图18(a)至图18(c)所示意的路面的停车位场景的检测效果对应的本实施例检测停车位的准确率和召回率可以如表1所示：
160.表1
161.[0162][0163]
可选地，在上述图2对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图6所示，根据m个关键点坐标确定待检测图像中停车位的位置之前，该方法还包括：
[0164]
在步骤s601中，分别计算m个目标锚点框中的每个目标锚点框的附属点置信度得分；
[0165]
在步骤s602中，根据附属点置信度得分从m个目标锚点框中确定附属锚点框；
[0166]
在步骤s603中，对附属锚点框进行附属点计算，得到目标附属点坐标；
[0167]
在步骤s604中，根据m个关键点坐标以及目标附属点坐标确定待检测图像中停车位的位置。
[0168]
在本实施例中，由于目标对象(如图15(b)所示意的停车位)是不完整的或是多边形的情形时，如图15(b)所示，是可以通过停车位两个入口点(如图15(a)中的入口_0和入口_1)、两个侧边线点(如图15(b)中的尾点_0和尾点_1)和一个附属点(如图15(b)中的尾点_0和尾点_1之间的点)即可描述一个目标对象(停车位)的位置和大小，因此，在根据m个关键点坐标确定待检测图像中停车位的位置之前，可以进一步检测目标对象是否需要附属点，可以分别计算m个目标锚点框中的每个目标锚点框的附属点置信度得分，并根据附属点置信度得分的大小来从m个目标锚点框中筛选出可能包含有附属点的附属锚点框，然后，可以对获取到的附属锚点框进行附属点计算，以获取到目标附属点坐标，进而可以根据m个关键点坐标以及目标附属点坐标在待检测图像上更准确地描绘出停车位的位置。
[0169]
具体地，在根据m个关键点坐标确定待检测图像中停车位的位置之前，可以通过常规置信度算法对m个目标锚点框的附属点标签进行置信度计算，以获取到每个目标锚点框的附属点置信度得分，可以理解的是，附属点置信度得分越高，即该目标锚点框中含有附属点的概率越大，因此，在获取到每个目标锚点框的附属点置信度得分后，可以将每个目标锚点框的附属点置信度得分进行两两比较，以获最大的附属点置信度得分，然后可以将最大的附属点置信度得分与附属点置信阈值进行比较，如果最大的附属点置信度得分大于或等于附属点置信阈值，则可以理解为最大的附属点置信度得分对应的目标锚点框中包含有附属点，即可以将该目标锚点框确定为附属锚点框，进而，可以对附属锚点框进行附属点计算，具体可以是获取附属锚点框的中心点的坐标以及附属点的偏移量来计算目标附属点坐标，然后，可以根据m个关键点坐标以及目标附属点坐标在待检测图像上更准确地描绘出停车位的位置。
[0170]
反之，如果最大的附属点置信度得分小于附属点置信阈值，则可以理解为最大的附属点置信度得分对应的目标锚点框中不包含有附属点，即m个目标锚点框中都没有附属点，则可以根据m个关键点坐标在待检测图像上描绘出停车位的位置。
[0171]
例如，如图14所示，假设一个4个目标锚点框的目标特征图，以目标特征图的左上角为原点坐标(0,0)，假设可以索引得到(1,2)的目标锚点框的附属点置信度得分为0.33，(2,2)的目标锚点框的附属点置信度得分为0.41，(3,2)的目标锚点框的附属点置信度得分为0.26以及(4,2)的目标锚点框的附属点置信度得分为0.19，假设附属点置信阈值为0.5，可知最大附属点置信度得分0.41小于附属点置信阈值，即4个目标锚点框中都没有附属点。
[0172]
可选地，在上述图2对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图7所示，根据m个关键点坐标确定待检测图像中停车位的位置之前，该方法还包括：
[0173]
在步骤s701中，分别计算m个目标锚点框中的每个目标锚点框的被占用置信度得分；
[0174]
在步骤s702中，根据被占用置信度得分，若从m个目标锚点框中确定k个占用锚点框，则获取k个占用锚点框的坐标，其中，k为大于等于1小于m的整数；
[0175]
在步骤s703中，根据m个关键点坐标以及k个占用锚点框的坐标确定待检测图像中被占用停车位的位置。
[0176]
在本实施例中，由于在实际场景中，停车位可能会被地锁、交通牌、自行车或摩托车等其他物体(不包含汽车)占据，因此，在根据m个关键点坐标确定待检测图像中停车位的位置之前，可以检测目标对象(停车位)所在待检测图像中位置上是否被其他物体占用，本实施例可以分别计算m个目标锚点框中的每个目标锚点框的被占用置信度得分，并根据被占用置信度得分大小，可以判断m个目标锚点框是否存在占用锚点框，当m个目标锚点框中存在k个占用锚点框时，可以获取k个占用锚点框在目标特征图上的坐标，并可以根据m个关键点坐标以及k个占用锚点框的坐标在待检测图像中描绘出被占用停车位的位置，以及时告知用户当前停车位已被占用或帮助停车场管理人员及时处理被占用物体。
[0177]
具体地，在根据m个关键点坐标确定待检测图像中停车位的位置之前，可以通过常规置信度算法对m个目标锚点框的占用对象进行置信度计算，以获取到每个目标锚点框的被占用置信度得分，可以理解的是，被占用置信度得分越高，即该目标锚点框中含有占用对象的概率越大，因此，在获取到每个目标锚点框的被占用置信度得分后，可以分别将每个目标锚点框的被占用置信度得分与占用置信阈值进行比较，如果有被占用置信度得分大于或等于占用置信阈值，则可以理解为该被占用置信度得分对应的目标锚点框中包含有占用对象，即可以将该目标锚点框确定为占用锚点框，进而，可以对占用锚点框在目标特征图上的坐标，然后，可以根据m个关键点坐标以及占用锚点框的坐标在待检测图像上描绘出被占用停车位的位置。反之，如果被占用置信度得分均小于占用置信阈值，则可以理解为每个目标锚点框中都不包含有占用对象，则可以根据m个关键点坐标在待检测图像上描绘出停车位的位置。
[0178]
例如，如图14所示，假设一个4个目标锚点框的目标特征图，以目标特征图的左上角为原点坐标(0,0)，假设可以索引得到(1,2)的目标锚点框的被占用置信度得分为0.19，(2,2)的目标锚点框的被占用置信度得分为0.34，(3,2)的目标锚点框的被占用置信度得分为0.29以及(4,2)的目标锚点框的被占用置信度得分为0.21，假设占用置信阈值为0.5，可知每个被占用置信度得分均小于附属点置信阈值，即4个目标锚点框中都不含有占用对象，即目标对象(停车位)没有被其他物体占用。
[0179]
可选地，在上述图3对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图8所示，该方法还包括：
[0180]
在步骤s801中，获取样本图像对应的样本特征图，其中，样本特征图包括n个锚点框，样本图像对应有标注信息，标注信息包括样本对象的m个样本关键点坐标；
[0181]
在本实施例中，在获取到样本图像后，可以对获取到的样本图像进行特征提取以获取包括有n个锚点框的样本特征图。
[0182]
其中，样本图像具体可以表现为在实际停车位场景中采集的停车位实例图像以关键点的方法进行标注得到的图像。标注信息具体可以表现为一般的没有被遮挡的停车位实例图像，如图15(a)所示，可以对停车位两个入口点(如图15(a)中的入口_0和入口_1)和两个侧边线点(如图15(a)中的尾点_0和尾点_1)进行标注，以获取到样本对象(没有被遮挡的停车位)的4个样本关键点坐标，同理，对于被遮挡的停车位实例图像，如图15(b)所示，可以对停车位两个入口点(如图15(a)中的入口_0和入口_1)、两个侧边线点(如图15(b)中的尾点_0和尾点_1)和一个附属点(如图15(b)中的尾点_0和尾点_1之间的点)进行标注，以获取样本对象(没有被遮挡的停车位)的4个样本关键点坐标和1个附属点，以用于通过关键点以及附属点构成的闭合多边形较好完整的贴合生活实际中可能出现的各种停车位。
[0183]
具体地，如图13所示，可以从数据库中获取到样本图像或者从大数据平台中爬取到样本图像，还可以采用其他获取方式，此处不作具体限制，进而可以对获取到的样本图像进行特征提取以获取相对应的特征图，并按照预设尺寸的锚点框对特征图进行划分以及对样本图像进行关键点以及附属点标注，可以得到包括有n个锚点框的样本特征图。
[0184]
在步骤s802中，根据m个样本关键点坐标从n个锚点框中确定样本锚点框；
[0185]
在本实施例中，在获取到包括有n个锚点框的样本特征图后，可以根据样本特征图对应的标注信息获取到样本对象在样本特征图上的m个样本关键点坐标，然后，可以根据m个样本关键点坐标从从n个锚点框中筛选出最可能包含有样本对象的一个样本锚点框。
[0186]
具体地，在获取到包括有n个锚点框的样本特征图后，可以根据样本特征图对应的标注信息获取到样本对象在样本特征图上的m个样本关键点坐标，然后可以根据m个样本关键点坐标计算样本对象在样本特征图像上的中心点坐标(如图14所示意的(2,2)的锚点框中的大黑点)，可以理解为包含有样本对象的中心点的锚点框中一定包含有样本对象，则可以将样本对象的中心点坐标的锚点框作为样本锚点框。
[0187]
在步骤s803中，获取样本锚点框的置信度得分和真值标签，并根据样本锚点框的置信度得分和真值标签，构造第一损失函数；
[0188]
在本实施例中，由于样本锚点框中一定包含有样本对象，因此，在获取到样本锚点框后，可以计算样本锚点框的置信度得分和真值标签，并根据样本锚点框的置信度得分和真值标签构造第一损失函数，以使后续可以通过第一损失函数来更好地拟合到包含有样本对象(停车位)的锚点框。
[0189]
具体地，在获取到样本锚点框后，可以采用置信度算法计算样本锚点框的真值标签(如停车位标签)以及该真值标签对应的置信度得分，并根据样本锚点框的置信度得分和真值标签构造如下公式(1)所示的第一损失函数：
[0190]
[0191]
其中，clf
pred
为是否有停车位的置信度分数，索引0处代表背景，索引1处代表停车位，clf
gt
为one-hot真值标签，若此处没有停车位，则为[1,0],若有停车位，则为[0,1]。
[0192]
在步骤s804中，分别计算m个样本关键点坐标中的每个样本关键点坐标与样本锚点框的中心点坐标之间的偏移量，得到m个样本偏移量；
[0193]
在本实施例中，由于停车位在样本图像中的位置及大小，可以采用基于关键点偏移的形式来预测停车位关键点关于样本锚点框的中心点坐标的偏移量，因此，在获取到样本锚点框的中心点坐标之后，可以分别计算m个样本关键点坐标中的每个样本关键点坐标与样本锚点框的中心点坐标之间的偏移量，以获取m个样本偏移量。
[0194]
具体地，在获取到样本锚点框的中心点坐标之后，可以通过距离公式分别计算m个样本关键点坐标中的每个样本关键点坐标与样本锚点框的中心点坐标之间的偏移量，以获取m个样本偏移量。
[0195]
在步骤s805中，根据m个样本偏移量以及m个样本关键点坐标构造第二损失函数；
[0196]
在本实施例中，为了可以更好地学习到每个关键点坐标，可以通过每个样本关键点坐标与样本锚点框的中心点坐标之间的偏移量，即m个样本偏移量来拟合，因此在获取到m个样本偏移量以及m个样本关键点坐标之后，可以根据m个样本偏移量以及m个样本关键点坐标构造第二损失函数，以使后续可以通过第二损失函数来更好地拟合到锚点框中每个关键点的坐标。
[0197]
可以理解的是，由于对于不同尺寸的样本特征图对关键点偏移量计算，可能会小停车位计算出的值会比大停车位的计算值小的量纲问题，因此，为了平衡不同尺寸的样本特征图对关键点偏移量计算的量纲，本实施例采用的偏移量是相对于锚点框的高宽的偏移量。
[0198]
具体地，在获取到m个样本偏移量以及m个样本关键点坐标之后，可以根据m个样本偏移量以及m个样本关键点坐标构造如下式(2)所示的第二损失函数：
[0199]
loss
offset
＝|offset
gt-offset
pred
|
ꢀꢀꢀꢀꢀꢀ
(2)
[0200]
offset
gt
＝(p
gt-g)/a，offset
gt
,offset
pred
,p
gt
,g,a∈r2[0201]
其中，a为锚点框的宽高，g为样本锚点框的中点位置，offset
gt
为坐标偏移量的真值，offset
pred
为坐标偏移量的预测值，p
gt
为m个样本关键点中的任一样本关键点的样本关键点坐标。
[0202]
在步骤s806中，根据第一损失函数和第二损失函数对图像检测模型的模型参数进行更新。
[0203]
具体地，在获取到第一损失函数和第二损失函数后，可以对图像检测模型进行参数调整操作，具体可以是采用反向梯度下降算法，对图像检测模型中的模型参数进行更新，直至收敛，可以得到图像检测模型，进一步地，可以重复获取数据库中的样本图像，对样本图像重复执行特征提取操作、获取样本锚点框操作、构造第一损失函数操作、构造第二损失函数操作以及模型参数调整操作，直至模型参数趋向于平稳，即图像检测模型收敛，以使后续可以通过训练好的图像检测模型对待检测图像进行处理。
[0204]
可选地，在上述图8对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图9所示，样本特征图包括第一样本特征图和第二样本特征图，样本锚点框包括第一样本锚点框和第二样本锚点框；获取样本图像对应的样本特征图，包
括：
[0205]
在步骤s901中，将样本图像输入至图像检测模型，通过图像检测模型对样本图像进行特征提取，得到第一样本特征图和第二样本特征图，其中，第一样本特征图包括n个第一锚点框，第二样本特征图包括n个第二锚点框；
[0206]
在步骤s902中，根据m个样本关键点坐标从n个第一锚点框中确定第一样本锚点框，以及从n个第二锚点框中确定第二样本锚点框。
[0207]
在本实施例中，在获取到样本图像后，可以将样本图像输入至图像检测模型，通过图像检测模型对样本图像进行特征提取，以获取到包括有n个第一锚点框的第一样本特征图和包括有n个第二锚点框的第二样本特征图，能够通过不同尺寸的第一样本特征图和第二样本特征图，以及不同尺寸的第一锚点框和第二锚点框筛选出更适合与检测样本对象的样本锚点框和目标样本特征图，从而可以更好地拟合到样本对象在样本特征图上的位置。
[0208]
具体地，在获取到样本图像后，可以将样本图像输入至图像检测模型，本实施例采用的如下表2所示意的图像检测模型是基于深度可分离卷积来搭建检测网络并结合特征金字塔结构得到的，该网络结构具备有计算量低的特点，进而，可以将如图13所示意的图像检测模型的最后两层特征图作为第一样本特征图和第二样本特征图，第一样本特征图和第二样本特征图可以作为检测头，用于负责停车位实例属性的预测。
[0209]
表2
[0210]
输入大小操作扩展系数卷积核数量重复次数步幅特征金字塔144
×
256
×
33x3卷积-1612-72
×
128
×
16线性瓶颈层1811-72
×
128
×
8线性瓶颈层6822-36
×
64
×
16线性瓶颈层61632-18
×
32
×
24线性瓶颈层62442√9
×
16
×
32线性瓶颈层63231-9
×
16
×
32线性瓶颈层65621√
[0211]
其中，表2中描述了图像检测模型的网络细节配置，线性瓶颈层为mobilenetv2中的基础结构，扩展系数、卷积核数量、重复次数以及步幅为线性瓶颈层的参数，特征金字塔对应的√用于表示需要经过特征金字塔的特征融合。其中，如图13所示意的三个特征图代表深度可分离卷积(backbone)，backbone是一个轻量级的mvcjavascript库，如图13所示意的两个特征图代表特征金字塔结构，特征金字塔的上采样结构为基于深度可分离的上采样和双线性上采样拼接的结构，能够用于融合底层语义和高层语义信息。
[0212]
可以理解的是，经测试该图像检测模型的计算量为52mflops，属于非常低的一个浮点计算量水平，能够用于在低端cpu设备上达到实时运行。
[0213]
进一步地，可以根据第一特征图的标注信息获取到m个第一样本关键点坐标，并可以根据m个第一样本关键点坐标计算样本对象在第一样本特征图上的中心点位置，然后，可以从n个第一锚点框中筛选出包含有样本对象在第一样本特征图上的中心点位置的第一样本锚点框，同理，可以根据第二特征图的标注信息获取到m个第二样本关键点坐标，并可以根据m个第二样本关键点坐标计算样本对象在第二样本特征图上的中心点位置，然后，可以从n个第二锚点框中筛选出包含有样本对象在第二样本特征图上的中心点位置的第二样本
锚点框。
[0214]
可选地，在上述图9对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图10所示，第一特征图还包括第一样本检测框，第二特征图还包括第二样本检测框，第一样本检测框以及第二样本检测框均用于指示样本图像中的样本对象；获取样本锚点框的置信度得分和真值标签，并根据样本锚点框的置信度得分和真值标签，构造第一损失函数之前，该方法还包括：
[0215]
在步骤s1001中，计算第一样本锚点框与第一样本检测框之间的第一样本重叠度，并计算第二样本锚点框与第二样本检测框之间的第二样本重叠度；
[0216]
在步骤s1002中，根据第一样本重叠度和第二样本重叠度，从第一样本锚点框与第二样本锚点框中确定目标样本锚点框；
[0217]
在步骤s1003中，获取目标样本锚点框的置信度得分和真值标，并根据目标样本锚点框的置信度得分和真值标签，构造第一损失函数。
[0218]
在本实施例中，如图14所示，由于锚点框可以分布在样本特征图上，以均匀划分样本特征图，且样本对象与样本锚点框之间的相似度或重合度，可以通过检测框与样本锚点框之间的重叠度来表征，可以理解的是重叠度越大，则表示样本对象与样本锚点框之间的相似度或重合度越高，因此可以获取样本对象(停车位实例)构成的最大外接框和第一样本特征图和第二样本特征图之间的重叠度较大者作为目标样本锚点框来负责预测样本对象，能够实现密集的第二样本特征图和第二样本锚点框负责预测小停车位，较稀疏的第一样本特征图和第一样本锚点框负责预测大停车位，然后，可以获取目标样本锚点框的置信度得分和真值标，并根据目标样本锚点框的置信度得分和真值标签，构造第一损失函数。
[0219]
其中，第一样本检测框是第一样本特征图上样本对象的外接框，第一样本检测框具体可以表现为边缘框或最大外接矩形框。第二样本检测框是第二样本特征图上样本对象的外接框。
[0220]
具体地，可以先通过图像分割算法获取第一样本特征图像上包含有样本对象的第一样本检测框，以及获取第二样本特征图像上包含有样本对象的第二样本检测框，进而，在获取到包含有样本对象在第一样本特征图上的中心点位置的第一样本锚点框，以及包含有样本对象在第二样本特征图上的中心点位置的第二样本锚点框之后，可以计算第一样本锚点框与第一样本检测框之间的第一样本重叠度，其中，计算第一样本重叠度具体可以是通过计算第一样本锚点框与第一样本检测框之间的交并比,即计算的是第一样本锚点框与第一样本检测框之间的交集和并集的比值，还可以采用其他算法计算第一样本重叠度，如面积计算公式等，此处不作具体限制，同理，计算第二样本锚点框与第二样本检测框之间的第二样本重叠度，也可以采用与计算第一样本重叠度相似的方式来计算第二样本重叠度，此处不再赘述。
[0221]
进一步地，在获取到第一样本重叠度和第二样本重叠度之后，由于重叠度越高表示相似度越高，因此，可以将第一样本重叠度和第二样本重叠度进行比较，并将重叠度较大的样本锚点框作为目标样本锚点框，然后，可以获取目标样本锚点框的置信度得分和真值标签，其中，获取目标样本锚点框的置信度得分和真值标签的方式与步骤s803获取样本锚点框的置信度得分和真值标签的方式相似，此处不再赘述，进而可以根据目标样本锚点框的置信度得分和真值标签构造第一损失函数。
[0222]
可选地，在上述图8对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图11所示，标注信息还包括样本对象的样本附属点；根据第一损失函数和第二损失函数对图像检测模型的模型参数进行更新之前，该方法还包括：
[0223]
在步骤s1101中，获取样本锚点框的样本附属点置信度得分和附属点真值标签；
[0224]
在步骤s1102中，根据样本锚点框的样本附属点置信度得分和附属点真值标签构造第三损失函数；
[0225]
在步骤s1103中，根据第一损失函数、第二损失函数以及第三损失函数对图像检测模型的模型参数进行更新。
[0226]
在本实施例中，由于标注信息中还包括样本对象的样本附属点，可以帮助图像检测模型更好地学习到不完整的或是多边形的样本对象的情形，因此，在根据第一损失函数和第二损失函数对图像检测模型的模型参数进行更新之前，可以获取样本锚点框的样本附属点置信度得分和附属点真值标签，并根据样本锚点框的样本附属点置信度得分和附属点真值标签构造第三损失函数，以使后续可以通过第三损失函数来更好地拟合到样本对象附属点在样本图像上的位置，从而可以根据第一损失函数、第二损失函数以及第三损失函数对图像检测模型的模型参数进行更新来获取到检测精度高的图像检测模型。
[0227]
具体地，在获取到样本锚点框之后，可以采用置信度算法计算样本锚点框的附属点真值标签以及该附属点真值标签对应的置信度得分，并根据样本锚点框的附属点置信度得分和附属点真值标签构造如下公式(3)所示的第三损失函数：
[0228][0229]
其中，attach
pred
为附属点置信度分数，索引0处代表没有附属点，索引1处代表有附属点，attach
gt
为one-hot真值标签，若此处有附属点，则为[1,0],若没有，则为[0,1]。
[0230]
可选地，在上述图8对应的实施例的基础上，本技术实施例提供的停车位的检测方法另一个可选实施例中，如图12所示，样本特征图还包括第三样本检测框，第三样本检测框用于指示样本图像中的占用对象；根据第一损失函数和第二损失函数对图像检测模型的模型参数进行更新之前，该方法还包括：
[0231]
在步骤s1201中，根据第三样本检测框在样本特征图中的位置，获取样本锚点框的被占用置信度得分和被占用真值标签；
[0232]
在步骤s1202中，根据样本锚点框的被占用置信度得分和被占用真值标签构造第四损失函数；
[0233]
在步骤s1203中，根据第一损失函数、第二损失函数以及第四损失函数对图像检测模型的模型参数进行更新。
[0234]
在本实施例中，由于在实际场景中，停车位可能会被地锁、交通牌、自行车或摩托车等其他物体(不包含汽车)占据，因此，在根据第一损失函数和第二损失函数对图像检测模型的模型参数进行更新之前，可以根据包含有占用对象的第三样本检测框在样本特征图中的位置，获取样本锚点框的被占用置信度得分和被占用真值标签，并根据样本锚点框的被占用置信度得分和被占用真值标签构造第四损失函数，以使后续可以通过第四损失函数来更好地拟合到样本对象在样本图像上是否被占用，从而可以根据第一损失函数、第二损失函数以及第四损失函数对图像检测模型的模型参数进行更新来获取到检测精度高的图
像检测模型。
[0235]
具体地，在获取到样本图像之后，可以采用图像分割算法获取样本图像中占用对象的最大外接框，即第三样本检测框，进而可以在获取到样本锚点框之后，可以根据第三样本检测框在样本特征图上的坐标，采用置信度算法计算样本锚点框的被占用真值标签以及该被占用真值标签对应的置信度得分，并根据样本锚点框的被占用置信度得分和被占用真值标签构造如下公式(4)所示的第四损失函数：
[0236][0237]
其中，occup
pred
为被占用置信度分数，索引0处代表无占用，索引1处代表被占用，clf
gt
为one-hot真值标签，若此处被占用，则为[1,0],若未被占用，则为[0,1]。
[0238]
下面对本技术中的停车位的检测装置进行详细描述，请参阅图19，图19为本技术实施例中停车位的检测装置的一个实施例示意图，停车位的检测装置20包括：
[0239]
获取单元201，用于获取待检测图像对应的目标特征图，其中，目标特征图包括n个锚点框，n为大于1的整数；
[0240]
处理单元202，用于计算每个锚点框的置信度得分，其中，置信度得分用于指示锚点框中包含有目标对象的概率值；
[0241]
确定单元203，用于根据置信度得分从n个锚点框中确定m个目标锚点框，其中，m为大于1小于n的整数；
[0242]
处理单元202，还用于对m个目标锚点框中的每个目标锚点框分别进行关键点计算，得到m个关键点坐标；
[0243]
确定单元203，还用于根据m个关键点坐标确定待检测图像中停车位的位置。
[0244]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，获取单元201具体可以用于：
[0245]
将待检测图像输入至图像检测模型，通过图像检测模型对待检测图像进行特征提取，得到第一特征图和第二特征图，其中，第一特征图包括n个第一锚点框，第二特征图包括n个第二锚点框，第一特征图的尺寸小于第二特征图，第一锚点框的尺寸小于第二锚点框；
[0246]
处理单元202具体可以用于：计算每个第一锚点框的第一置信度得分，并计算每个第二锚点框的第二置信度得分；
[0247]
确定单元203具体可以用于：根据置信度得分从n个第一锚点框中确定m个第一目标锚点框，以及从n个第二锚点框中确定m个第二目标锚点框。
[0248]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，确定单元203具体可以用于：
[0249]
将第一置信度得分大于第一置信阈值的第一锚点框确定为第一目标锚点框；
[0250]
将第二置信度得分大于第二置信阈值的第二锚点框确定为第二目标锚点框。
[0251]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，处理单元202具体可以用于：
[0252]
对m个第一目标锚点框中的每个第一目标锚点框分别进行关键点计算，得到m个第一关键点坐标；
[0253]
对m个第二目标锚点框中的每个第二目标锚点框分别进行关键点计算，得到m个第
二关键点坐标。
[0254]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，确定单元203具体可以用于：
[0255]
根据m个第一关键点坐标生成第一包围盒，并根据m个第二关键点坐标生成第二包围盒；
[0256]
计算第一包围盒与第一检测框之间的第一重叠度，并计算第二包围盒与第二检测框之间的第二重叠度；
[0257]
根据第一重叠度和第二重叠度，从第一包围盒与第二包围盒中确定目标包围盒；
[0258]
根据目标包围盒在待检测图像中生成停车位的位置。
[0259]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，
[0260]
处理单元202，还用于分别计算m个目标锚点框中的每个目标锚点框的附属点置信度得分；
[0261]
确定单元203，还用于根据附属点置信度得分从m个目标锚点框中确定附属锚点框；
[0262]
处理单元202，还用于对附属锚点框进行附属点计算，得到目标附属点坐标；
[0263]
确定单元203具体可以用于：根据m个关键点坐标以及目标附属点坐标确定待检测图像中停车位的位置。
[0264]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，
[0265]
处理单元202，还用于分别计算m个目标锚点框中的每个目标锚点框的被占用置信度得分；
[0266]
获取单元201，还用于根据被占用置信度得分，若从m个目标锚点框中确定k个占用锚点框，则获取k个占用锚点框的坐标，其中，k为大于等于1小于m的整数；
[0267]
确定单元203具体可以用于：根据m个关键点坐标以及k个占用锚点框的坐标确定待检测图像中被占用停车位的位置。
[0268]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，
[0269]
获取单元201，还用于获取样本图像对应的样本特征图，其中，样本特征图包括n个锚点框，样本图像对应有标注信息，标注信息包括样本对象的m个样本关键点坐标；
[0270]
确定单元203，还用于根据m个样本关键点坐标从n个锚点框中确定样本锚点框；
[0271]
获取单元201，还用于获取样本锚点框的置信度得分和真值标签，并根据样本锚点框的置信度得分和真值标签，构造第一损失函数；
[0272]
处理单元202，还用于分别计算m个样本关键点坐标中的每个样本关键点坐标与样本锚点框的中心点坐标之间的偏移量，得到m个样本偏移量；
[0273]
处理单元202，还用于根据m个样本偏移量以及m个样本关键点坐标构造第二损失函数；
[0274]
处理单元202，还用于根据第一损失函数和第二损失函数对图像检测模型的模型参数进行更新。
[0275]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，获取单元201具体可以用于：
[0276]
将样本图像输入至图像检测模型，通过图像检测模型对样本图像进行特征提取，得到第一样本特征图和第二样本特征图，其中，第一样本特征图包括n个第一锚点框，第二样本特征图包括n个第二锚点框；
[0277]
确定单元203具体可以用于：根据m个样本关键点坐标从n个第一锚点框中确定第一样本锚点框，以及从n个第二锚点框中确定第二样本锚点框。
[0278]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，
[0279]
处理单元202，还用于计算第一样本锚点框与第一样本检测框之间的第一样本重叠度，并计算第二样本锚点框与第二样本检测框之间的第二样本重叠度；
[0280]
确定单元203，还用于根据第一样本重叠度和第二样本重叠度，从第一样本锚点框与第二样本锚点框中确定目标样本锚点框；
[0281]
获取单元具体可以用于：获取目标样本锚点框的置信度得分和真值标签，并根据目标样本锚点框的置信度得分和真值标签，构造第一损失函数。
[0282]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，
[0283]
获取单元201，还用于获取样本锚点框的样本附属点置信度得分和附属点真值标签；
[0284]
处理单元202，还用于根据样本锚点框的样本附属点置信度得分和附属点真值标签构造第三损失函数；
[0285]
处理单元202具体可以用于：根据第一损失函数、第二损失函数以及第三损失函数对图像检测模型的模型参数进行更新。
[0286]
可选地，在上述图19对应的实施例的基础上，本技术实施例提供的停车位的检测装置的另一实施例中，
[0287]
获取单元201，还用于根据第三样本检测框在样本特征图中的位置，获取样本锚点框的被占用置信度得分和被占用真值标签；
[0288]
处理单元202，还用于根据样本锚点框的被占用置信度得分和被占用真值标签构造第四损失函数；
[0289]
处理单元202具体可以用于：根据第一损失函数、第二损失函数以及第四损失函数对图像检测模型的模型参数进行更新。
[0290]
本技术另一方面提供了另一种计算机设备示意图，如图20所示，图20是本技术实施例提供的一种计算机设备结构示意图，该计算机设备300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，cpu)310(例如，一个或一个以上处理器)和存储器320，一个或一个以上存储应用程序331或数据332的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对计算机设备300中的一系列指令操作。更进一步地，中央处理器310可以设置为与存储介质330通信，在计算机设备300上执行存储介质330中的一系列指令
操作。
[0291]
计算机设备300还可以包括一个或一个以上电源340，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口360，和/或，一个或一个以上操作系统333，例如windows server
tm
，mac os x
tm
，unix
tm
,linux
tm
，freebsd
tm
等等。
[0292]
上述计算机设备300还用于执行如图2至图12对应的实施例中的步骤。
[0293]
本技术的另一方面提供了一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如图2至图12所示实施例描述的方法中的步骤。
[0294]
本技术的另一方面提供了一种包含指令的计算机程序产品当其在计算机或处理器上运行时，使得所述计算机或处理器执行如图2至图12所示实施例描述的方法中的步骤。
[0295]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0296]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0297]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0298]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0299]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。